一种皮肤异常症状辅助诊断系统的制作方法

本发明涉及人工智能技术领域，尤其涉及一种皮肤异常症状辅助诊断系统。

背景技术：

皮肤病是一个比较宽泛的概念，即只要发生在皮肤上的一些病理过程都统称为皮肤病。皮肤病的种类很多，多达几千种，最常见的皮肤病可能也有几百种，不同的皮肤病表现出来的临床症状特征会有很大的差别。由于皮肤病的种类繁多且医患数量严重失衡，常需要辅助诊断系统进行辅助诊断，以实现快速诊断、提高诊断效率，皮肤病诊断系统通常表现为患者勾选系统呈现的疾病症状，若患者勾选的疾病症状与某种皮肤病对应，系统则给出患者可能患有此种性病的诊断结果。上述症状与皮肤病的对应规则通常人为设定，一般是患者具有某一皮肤病的特定症状即诊断患者患有该疾病，患者不具有某一皮肤病的特定症状即诊断患者未患有该疾病，这种皮肤病诊断系统的诊断方式绝对，准确率低，容易造成误诊。

技术实现要素：

有鉴于此，本发明提出了一种皮肤异常症状辅助诊断系统，以解决传统皮肤病诊断系统的诊断方式绝对，准确率低、容易造成误诊的问题。

本发明的技术方案是这样实现的：本发明提供了一种皮肤异常症状辅助诊断系统，包括：

图像采集单元，用于采集皮肤异常症状特征图像；

图像标记单元，用于对所述皮肤异常症状特征图像进行标注和描述；

图像增强单元，用于利用所述皮肤异常症状特征图像的皮肤镜像图进行形状与色彩空间转换，并利用图像直方图对对比度进行调整，增强所述皮肤异常症状特征图像的对比度；

图像分割单元，用于采用机器学习分割算法对预处理和增强后的所述皮肤镜像图进行处理，提取出感兴趣特征区域；

特征提取单元，用于提取所述感兴趣特征区域中的特征并转化为可识别向量；

图像分类单元，用于分别采用多种不同的机器学习分类模型和深度学习分类模型在同等条件下对所述可识别向量进行分类，并从多种不同分类结果中选取最优分类结果进行输出。

可选的，所述图像分割单元还用于从多种不同机器学习分割算法对所述皮肤镜像图进行分割后的分割结果中选取最优分割结果。

可选的，所述感兴趣特征区域中的特征包括形状特征、颜色特征以及纹理特征。

可选的，所述多种不同的机器学习分类模型和深度学习分类模型包括svm、knn、逻辑回归、决策树和超限学习机中的至少两种。

可选的，所述图像分类单元包括：

初始化模块，用于初始化bsa种群并设定训练参数，定义适应度函数；

svm训练模块，用于进行svm训练，得到适应度值，记录最优个体和最优适应度值；

迭代寻优模块，用于根据bsa算法进行迭代寻优，更新最优个体和最优适应度值；

参数输出模块，用于若满足结束条件，则输出svm的最优化惩罚因子和核参数平方；

模型构建模块，用于根据所述惩罚因子和所述核参数平方建立svm模型。

可选的，所述皮肤异常症状辅助诊断系统还包括归一化模块，用于对所述可识别向量进行归一化。

可选的，所述图像分割单元包括：

灰度值计算模块，用于计算所述皮肤镜像图的平均灰度值并作为初始阈值；

所述灰度值计算模块还用于将所述皮肤镜像图中灰度值大于所述初始阈值的区域作为目标区域并计算所述目标区域的平均灰度值；

类间方差计算模块，用于取所述初始阈值与所述目标区域的平均灰度值之间的灰度值计算所述皮肤镜像图的类间方差；

图像分割模块，用于将使所述类间方差最大的灰度值作为所述皮肤镜像图的分割阈值并根据所述分割阈值对所述皮肤镜像图进行图像分割。

本发明的皮肤异常症状辅助诊断系统相对于现有技术具有以下有益效果：

(1)本发明的皮肤异常症状辅助诊断系统基于同一数据集，采取临床症状特征图片以及与之对应的描述与标注在不同病症上建模的方式，根据不同的性能指标来对现有皮肤异常症状和分类方法进行对比的技术，最终得出针对皮肤异常症状诊断的最优机器学习方法，并得到目标图像的分类输出概率，这样进行多方位、多维度对比，来智能推导皮肤具体疾病，准确率高，最大限度地降低了漏诊和误诊风险，合理分配医疗资源，并减少了不必要的医疗过程；

(2)本发明的皮肤异常症状辅助诊断系统避免了最大类间方差法采用的搜索整个直方图的每个灰度值来确定最优值的方法，而在最佳阈值范围内进行搜索最优阈值，大大的减少了计算量，可以缩短计算量、减少计算时间，达到实现快速分类的目的。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的皮肤异常症状辅助诊断系统的结构框图；

图2为本发明的图像分类单元的部分结构框图；

图3为本发明的图像分割单元的部分结构框图。

附图标记说明：10-图像采集单元；20-图像标记单元；30-图像增强单元；40-图像分割单元；401-灰度值计算模块；402-类间方差计算模块；403-图像分割模块；50-特征提取单元；60-归一化模块；70-图像分类单元；701-初始化模块；702-svm训练模块；703-迭代寻优模块；704-参数输出模块；705-模型构建模块。

具体实施方式

下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。

如图1所示，本发明的皮肤异常症状辅助诊断系统包括：

图像采集单元10，用于采集皮肤异常症状特征图像；

图像标记单元20，用于对所述皮肤异常症状特征图像进行标注和描述；

图像增强单元30，用于利用所述皮肤异常症状特征图像的皮肤镜像图进行形状与色彩空间转换，并利用图像直方图对对比度进行调整，增强所述皮肤异常症状特征图像的对比度；

图像分割单元40，用于采用机器学习分割算法对预处理和增强后的所述皮肤镜像图进行处理，提取出感兴趣特征区域；

特征提取单元50，用于提取所述感兴趣特征区域中的特征并转化为可识别向量；

图像分类单元70，用于分别采用多种不同的机器学习分类模型和深度学习分类模型在同等条件下对所述可识别向量进行分类，并从多种不同分类结果中选取最优分类结果进行输出。

其中，图像标记单元20中，皮肤异常症状特征图像的标注和描述需要前期通过自然语言处理以及先验专家知识在实施前完成构建。一般来说，皮肤病下有很多类疾病，包括以红斑、丘疹、风团为主的皮肤病；以增生性丘疹、结节为主的皮肤病；以非瘤性结节、斑块为主的皮肤病；以丘疱疹、疱疹为主的皮肤病；以脓疱为主的皮肤病；以大疱为主的皮肤病；以囊肿为主的皮肤病；以肿胀、硬化为主的皮肤病；以萎缩为主的皮肤病；以紫癜、发绀为主的皮肤病；以毛细血管扩张为主的皮肤病；以角化、角化性丘疹为主的皮肤病；以色素减退为主的皮肤病；以色素沉着为主的皮肤病；以外阴部为主皮肤病；以口腔黏膜为主的皮肤病等；每一类疾病下又有很多具体疾病，比如以红斑、丘疹、风团为主的皮肤病有近10个，象荨麻疹、药疹、接触性皮炎、环形红斑、多形性日光疹、系统性红斑狼疮、丹毒等；每一个具体疾病的异常症状(临床症状特征)可能多达10多个，比如皮肤湿疹病的异常症状特征包括皮肤出现红斑丘疹、丘疱疹、瘙痒剧烈等，伴随渗液、脓疱、鳞屑样痂皮扽等。这就需要图像标记单元20对皮肤异常症状特征图像进行标注和描述，以区分多种复杂的皮肤病。

本实施例中，皮肤异常症状辅助诊断系统对皮肤异常症状特征的数据进行采集和人工标注与描述(包括图片)，其次对皮肤异常症状图像进行预处理和增强，然后对比传统机器学习的分类算法及深度学习方法的各个模型，选择出对于皮肤异常症状的人工智能诊断最优方法。本实施例基于同一数据集，采取临床症状特征图片(照片)以及与之对应的描述与标注在不同病症上建模的方式，根据不同的性能指标来对现有皮肤异常症状和分类方法进行对比的技术，最终得出针对皮肤异常症状诊断的最优机器学习方法，并得到目标图像的分类输出概率，这样进行多方位、多维度对比，来智能推导皮肤具体疾病，准确率高，最大限度地降低了漏诊和误诊风险，合理分配医疗资源，并减少了不必要的医疗过程。

可选的，所述图像分割单元40还用于从多种不同机器学习分割算法对所述皮肤镜像图进行分割后的分割结果中选取最优分割结果。这样可以提高图像分割的准确性，从而进一步提高皮肤病预测的准确性。

可选的，所述感兴趣特征区域中的特征包括形状特征、颜色特征以及纹理特征。这样可以根据多个维度的图像特征对皮肤病进行识别，降低漏诊的效果好。

可选的，所述多种不同的机器学习分类模型和深度学习分类模型包括svm、knn、逻辑回归、决策树和超限学习机中的至少两种。这样有利于得出针对皮肤异常症状诊断的最优机器学习方法，采用的机器学习分类模型和深度学习分类模型越多，覆盖面广，有利于发掘适用于皮肤病预测的最优机器学习方法。

可选的，如图2所示，所述图像分类单元70包括：

初始化模块701，用于初始化bsa种群并设定训练参数，定义适应度函数；

svm训练模块702，用于进行svm训练，得到适应度值，记录最优个体和最优适应度值；

迭代寻优模块703，用于根据bsa算法进行迭代寻优，更新最优个体和最优适应度值；

参数输出模块704，用于若满足结束条件，则输出svm的最优化惩罚因子和核参数平方；

模型构建模块705，用于根据所述惩罚因子和所述核参数平方建立svm模型。

bsa(鸟群算法)是一种新种群进化算法，其采用新型的扰动策略和混合策略，优化效率大大提高，该算法仅有一个控制参数(混合比例参数)，使得操作更加简单。bsa的算法流程有两次选择操作，可称为选择一和选择二。选择一用来选择历史种群，选择二用于更新种群。它的算法流程可分为初始化种群、选择一、变异、交叉、选择二5部分。选择一用来为每一次迭代选择一个新的历史种群oldpop，在oldpop的值确定后，对oldpop中的个体进行随机排序，生成种群oldpop'。在新种群产生后，必须对种群中的元素大小进行检验，若种群中的元素超出极值边界则产生新的种群。选择二记录当前最优解和对应的解向量，直到满足循环终止条件，最后输出最优解。

本实施例中，将svm的惩罚因子和核参数平方作为每个个体的二维坐标值，用于模型训练，根据

计算个体的适应度；其中，f适应度，yt表示分类的正确个数，yy表示分类的错误个数。针对每个个体，将适应度与自身最优值进行比较，更新个体最优值；个体最优值与种群最优值进行比较后，种群最优值更新。步骤s64中，所述结束条件包括bsa算法的迭代次数达到最大或精度达到预设要求，本实施例以bsa算法的迭代次数达到最大为结束条件。迭代结束后便可确定最优化惩罚因子和核参数平方，根据最优化惩罚因子和核参数平方建立svm模型。

这样，本实施例可通过可识别向量对svm进行训练以得到svm模型；且运用bsa优化算法对svm的惩罚因子和核参数自动选择，以达到最佳组合值，极大地提高了svm模型分类的准确率。

可选的，所述皮肤异常症状辅助诊断系统还包括归一化模块60，用于对所述可识别向量进行归一化。由于提取的特征值具有不同的物理意义和不同的量纲，而且数量级也存在较大变化，需要统一特征值的分布特征，对特征值进行归一化处理，将其归一化到[0,1]，归一化公式如下：

这样，本实施例对可识别向量进行归一化处理，简化了svm的计算过程，有利于加快训练速度。

可选的，如图3所示，所述图像分割单元40包括：

灰度值计算模块401，用于计算所述皮肤镜像图的平均灰度值并作为初始阈值；

所述灰度值计算模块401还用于将所述皮肤镜像图中灰度值大于所述初始阈值的区域作为目标区域并计算所述目标区域的平均灰度值；

类间方差计算模块402，用于取所述初始阈值与所述目标区域的平均灰度值之间的灰度值计算所述皮肤镜像图的类间方差；

图像分割模块403，用于将使所述类间方差最大的灰度值作为所述皮肤镜像图的分割阈值并根据所述分割阈值对所述皮肤镜像图进行图像分割。

本实施例中中的一种分割算法为改进后的最大类间方差法，一般的，传统最大类间方差法搜索整个直方图的每个灰度值来确定最佳的分割阈值，计算量极大。

本实施例中，设图像f(x,y)点(x,y)的灰度值为g(x,y)，像素点总数为n。采用整幅图像的平均灰度值为初始阈值进行分割，则初始阈值t0为：

设大于初始阈值to的部分为目标区域a1，小于初始阈值t0的部分为背景区域a2。目标区域的平均灰度值为ta1，则

ta1＝∑∑ga1(x,y)/na1；

式中，na1为目标区域a1中的像素总数，ga1(x,y)为经初始阈值t0分割后目标区域a1中各点的灰度值，这样最佳闽值的范围[t0,ta1]就确定了。这样本实施例避免了最大类间方差法采用的搜索整个直方图的每个灰度值来确定最优值的方法，而在最佳阈值范围[t0,ta1]内进行搜索最优阈值，大大的减少了计算量，可以缩短计算量、减少计算时间，达到实现快速分类的目的。

以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。